【网络表示学习】ASNE

题目：Attributed Social Network Embedding

作者：lizi liao , Xiangnan He , Hanwang Zhang, and Tat-Seng Chua

来源：TKDE 2018

源码：https://github.com/lizi-git/ASNE

本文提出了一个结合拓扑结构和任意类型属性的网络表示学习方法

工作流程：

先将拓扑节点的ont-hot和属性分别做一层embedding，然后加权拼接作为DNN的输入；DNN的最后一隐层作为target embedding，隐层到输出层是一个softmax计算每个节点对的概率。

模型

Structure Modeling

用softmax定义条件概率
$$p\left(u_j|u_i\right)=\frac{\exp \left(f\left(u_i,u_j\right)\right)}{{\sum }_{j^{\prime }=1}^M\exp \left(f\left(u_i,u_{j^{\prime }}\right)\right)}$$
其中 $f\left(u_{i,},u_{j^{\prime }}\right)$ 代表两个节点$u_i$和$u_j$